Neural-Brane：用于属性网络嵌入的神经贝叶斯个性化排序
机器学习
2018-08-22 v2 社会与信息网络
机器学习
摘要
网络嵌入方法为每个网络中的顶点学习分布式向量表示，近年来引起了相当多的关注。已有工作表明，通过嵌入方法学习的顶点表示在许多现实世界应用中提供优越性能，如节点分类、链接预测和社区检测。然而，大多数现有网络嵌入方法仅利用顶点的拓扑信息，忽略了丰富的节点属性集合（例如，在线社交网络的用户档案，或引文网络的文本内容），而这类属性在所有现实网络中都很充足。联合网络嵌入同时考虑属性与关系信息，包含完整的网络信息，并可进一步丰富学习到的向量表示。本工作中，我们提出Neural-Brane，一种新颖的基于神经贝叶斯个性化排序的属性网络嵌入。对于给定的网络，Neural-Brane使用设计的神经网络模型提取其顶点的潜在特征表示，该模型统一了网络拓扑信息与节点属性；此外，它利用贝叶斯个性化排序目标，挖掘相似节点对与不相似节点对之间的邻近排序。我们通过在四个真实世界数据集上解决节点分类与聚类任务，评估Neural-Brane产生的顶点嵌入质量。实验结果证明了我们所提方法相对于最先进现有方法的优越性。
引用
@article{arxiv.1804.08774,
title = {Neural-Brane: Neural Bayesian Personalized Ranking for Attributed Network Embedding},
author = {Vachik S. Dave and Baichuan Zhang and Pin-Yu Chen and Mohammad Al Hasan},
journal= {arXiv preprint arXiv:1804.08774},
year = {2018}
}